Fugu-MT 論文翻訳(概要): n-CPS: Generalising Cross Pseudo Supervision to n networks for Semi-Supervised Semantic Segmentation

論文の概要: n-CPS: Generalising Cross Pseudo Supervision to n networks for Semi-Supervised Semantic Segmentation

arxiv url: http://arxiv.org/abs/2112.07528v2
Date: Wed, 15 Dec 2021 14:01:09 GMT
ステータス: 処理完了
システム内更新日: 2021-12-16 11:31:03.437176
Title: n-CPS: Generalising Cross Pseudo Supervision to n networks for Semi-Supervised Semantic Segmentation
Title（参考訳）: n-CPS:半教師付きセマンティックセグメンテーションのためのNネットワークへのクロス擬似スーパービジョンの一般化
Authors: Dominik Filipiak, Piotr Tempczyk, Marek Cygan
Abstract要約: セマンティックセグメンテーションの課題に対する最近の最先端の相互監督手法を一般化したn-CPSを提案する。 n-CPSでは、1ホット符号化の摂動と一貫性の規則化を通じて互いに学習するnscapeが同時に訓練されている。
参考スコア（独自算出の注目度）: 1.7405180062611805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present n-CPS - a generalisation of the recent state-of-the-art cross pseudo supervision (CPS) approach for the task of semi-supervised semantic segmentation. In n-CPS, there are n simultaneously trained subnetworks that learn from each other through one-hot encoding perturbation and consistency regularisation. We also show that ensembling techniques applied to subnetworks outputs can significantly improve the performance. To the best of our knowledge, n-CPS paired with CutMix outperforms CPS and sets the new state-of-the-art for Pascal VOC 2012 with (1/16, 1/8, 1/4, and 1/2 supervised regimes) and Cityscapes (1/16 supervised).
Abstract（参考訳）: 半教師付きセマンティックセマンティックセグメンテーションの課題に対して,最近の最先端の相互監視(CPS)アプローチを一般化したn-CPSを提案する。 n-CPSでは、同時に訓練されたサブネットが、摂動と整合性正規化を通じて互いに学習する。また,サブネットワーク出力に適用したアンサンブル技術により性能が大幅に向上することを示す。我々の知る限り、n-CPSはCutMixと組み合わせてCPSを上回り、1/16、1/8、1/4、1/2監督体制)とCityscapes(1/16監督体制)でPascal VOC 2012のための新しい最先端技術を設定します。

関連論文リスト

Colorectal Polyp Segmentation in the Deep Learning Era: A Comprehensive Survey [53.39392897237347]
本稿では,2014年から2023年にかけてのディープラーニングに基づくCPS手法の体系的,包括的レビューを行う。まず、ネットワークアーキテクチャ、監視レベル、学習パラダイムを含む新しい分類法を用いて、現在の深部CPSの包括的なレビューを行う。その後、CPSの一般的な評価指標を要約し、40種類の深部SOTAモデルの詳細な分析を行った。
論文参考訳（メタデータ） (2024-01-22T07:23:44Z)
C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for Semi-supervised Medical Image Segmentation [6.880416270823228]
本稿では,半教師型医用画像分割のための条件付きクロス擬似スーパービジョン(CCPS)機構を提案する。 CCPSにコンテキスト認識を導入し、擬似的監督のための擬似ラベルの品質を向上させる。本手法は最先端手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-06-14T06:25:25Z)
P-NOC: adversarial training of CAM generating networks for robust weakly supervised semantic segmentation priors [1.78761445544895]
Wakly Supervised Semantic (WSSS)技術は、クラス活性化マップ(CAM)を洗練するための個別の正規化戦略を探索する P-NOCとCCAM-Hの2つの新しい手法を考案した。まず,2つの対向CAM生成ネットワークのコンジョイントトレーニングを推進した。後者では、P-NOCが生み出した高品質な擬似セグメンテーションの先駆的手法を用いて、弱教師付き方式で学習をサラリティー情報に導く。
論文参考訳（メタデータ） (2023-05-21T17:46:28Z)
PUPS: Point Cloud Unified Panoptic Segmentation [13.668363631123649]
本稿では,シンプルだが効果的な点群統合パノプティックセグメンテーション(PUPS)フレームワークを提案する。 PUPSは、ポイントレベルの分類器のセットを使用して、エンド・ツー・エンドの方法でセマンティクスとインスタンス・グループを直接予測する。 PUPSはSemantic KITTI Panoptic segmentation Taskのリーダーボードで1位を獲得し、nuScenesの最先端の結果を得た。
論文参考訳（メタデータ） (2023-02-13T08:42:41Z)
UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation [2.6324267940354655]
半教師付きセマンティックセグメンテーションのための新しい学習フレームワークUncertainty Guided Cross-head Co-training(UCC)を提案する。当社のフレームワークでは,共有エンコーダ内の弱体化と強体化を導入して,一貫性と自己学習のメリットを自然に組み合わせたコトレーニングを実現している。我々の手法は、最先端の半教師付きセマンティックセグメンテーション法よりもはるかに優れている。
論文参考訳（メタデータ） (2022-05-20T17:43:47Z)
CIC: Contrastive Intrinsic Control for Unsupervised Skill Discovery [88.97076030698433]
本稿では,教師なしスキル発見のためのアルゴリズムであるContrastive Intrinsic Control (CIC)を紹介する。 CICは、状態エントロピーを最大化することで、多様な振る舞いを明示的にインセンティブ化する。 CICは従来の教師なしスキル発見手法よりも大幅に改善されている。
論文参考訳（メタデータ） (2022-02-01T00:36:29Z)
DenseCLIP: Extract Free Dense Labels from CLIP [130.3830819077699]
対照的に、CLIP(Contrastive Language- Image Pre-Training)は、オープンボキャブラリゼロショット画像認識において画期的な進歩を遂げた。 DenseCLIP+はSOTAトランスダクティブなゼロショットセマンティックセグメンテーション法を大きなマージンで上回る。我々の発見は、DenseCLIPが高密度予測タスクの信頼性の高い新たな監視源となることを示唆している。
論文参考訳（メタデータ） (2021-12-02T09:23:01Z)
HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-03T16:33:29Z)
Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision [56.950950382415925]
クロス擬似監督(CPS)と呼ばれる新しい整合性正規化手法を提案する。 CPS整合性には2つの役割がある: 同じ入力画像に対する2つの摂動ネットワークの予測間の高い類似性を奨励し、擬似ラベル付きラベル付きラベル付きデータを使用することでトレーニングデータを拡張する。実験の結果,Cityscapes と PASCAL VOC 2012 を用いた半教師付きセグメンテーション性能が得られた。
論文参考訳（メタデータ） (2021-06-02T15:21:56Z)
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection [144.19392893747582]
本稿では,歩行者検出のための新しいアプローチをPSC-Netと呼ぶ。 PSC-Netは、グラフ畳み込みネットワーク(GCN)を介して、異なる歩行者体のパーツ間の共起情報と部分内共起情報の両方をキャプチャする我々のPSC-Netは歩行者のトポロジ的構造を利用しており、空間的共起を学習するために、部分ベースのアノテーションや視覚的バウンディングボックス(VBB)情報を必要としない。
論文参考訳（メタデータ） (2020-01-25T02:03:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。